전체적인 정신 모델을 사용하여 AI 제품 구축

플라톤에 의해 재발행

팔로워 : 0

AI 제품 만들기

참고: 이 기사는 AI 시스템의 정신 모델을 소개하는 "AI 애플리케이션 분석" 시리즈의 첫 번째 기사입니다. 이 모델은 여러 분야의 AI 및 제품 팀이 AI 제품에 대한 토론, 계획 및 정의를 위한 도구 역할을 할 뿐만 아니라 비즈니스 부서와의 조정을 위한 도구 역할을 합니다. 제품 관리자, UX 디자이너, 데이터 과학자, 엔지니어 및 기타 팀 구성원의 관점을 하나로 모으는 것을 목표로 합니다. 이 기사에서는 멘탈 모델을 소개하고, 향후 기사에서는 이를 특정 AI 제품 및 기능에 적용하는 방법을 보여줄 것입니다.

종종 기업에서는 AI를 자사 제품에 포함시키기 위해 필요한 것은 AI 전문가를 고용하고 그들이 기술적인 마법을 발휘하도록 하는 것이라고 가정합니다. 이러한 접근 방식은 이들을 곧바로 통합 오류에 빠지게 합니다. 전문가와 엔지니어가 탁월한 모델과 알고리즘을 생성하더라도 그들의 출력은 놀이터, 샌드박스 및 데모 수준에 머물며 실제로 제품의 완전한 부분이 되지 못하는 경우가 많습니다. 수년에 걸쳐 나는 기술적으로 뛰어난 AI 구현을 사용자 대면 제품에 적용하지 못한 데이터 과학자 및 엔지니어로부터 엄청난 좌절감을 느꼈습니다. 오히려 내부 이해관계자들에게 AI 물결을 타고 있다는 인상을 주는 최첨단 실험이라는 명예로운 지위를 갖고 있었다. 이제 2022년 ChatGPT가 출시된 이후 AI가 유비쿼터스로 확산되면서 기업은 더 이상 AI를 기술 통찰력을 과시하기 위한 '등대' 기능으로 사용할 여유가 없습니다.

AI 통합이 왜 그렇게 어려운가? 몇 가지 이유가 있습니다:

종종 팀은 AI 시스템의 단일 측면에 중점을 둡니다. 이로 인해 데이터 중심, 모델 중심, 인간 중심 AI 등 별도의 진영이 등장하기도 했습니다. 각각은 연구에 대한 흥미로운 관점을 제공하지만 실제 제품은 데이터, 모델 및 인간-기계 상호 작용을 일관된 시스템으로 결합해야 합니다.
AI 개발은 고도로 협력적인 기업입니다. 전통적인 소프트웨어 개발에서는 백엔드와 프런트엔드 구성 요소로 구성된 상대적으로 명확한 이분법을 사용하여 작업합니다. AI에서는 팀에 더욱 다양한 역할과 기술을 추가해야 할 뿐만 아니라 다양한 당사자 간의 긴밀한 협력도 보장해야 합니다. AI 시스템의 다양한 구성 요소는 긴밀한 방식으로 서로 상호 작용합니다. 예를 들어, 가상 비서로 작업하는 경우 UX 디자이너는 자연스러운 사용자 흐름을 만들기 위해 프롬프트 엔지니어링을 이해해야 합니다. 데이터 주석 작성자는 브랜드와 가상 비서의 "특성"을 인식하여 일관되고 포지셔닝에 맞는 훈련 데이터를 생성해야 하며, 제품 관리자는 데이터 파이프라인의 아키텍처를 파악하고 면밀히 조사하여 다음을 보장해야 합니다. 이는 사용자의 거버넌스 문제를 충족합니다.
AI를 구축할 때 기업은 종종 디자인의 중요성을 과소평가합니다. AI는 백엔드에서 시작되지만 프로덕션에서 이를 빛나게 하려면 좋은 디자인이 필수입니다. AI 디자인은 기존 UX의 경계를 넓힙니다. 귀하가 제공하는 많은 기능은 그 자체로는 인터페이스에 표시되지 않지만 모델에 "숨겨져" 있으므로 이러한 이점을 극대화하려면 사용자를 교육하고 안내해야 합니다. 게다가 현대의 기본 모델은 유해하고 잘못되고 유해한 결과를 생성할 수 있는 야생이므로 이러한 위험을 줄이기 위해 추가 가드레일을 설정해야 합니다. 이 모든 작업에는 신속한 엔지니어링 및 대화형 디자인과 같은 팀의 새로운 기술이 필요할 수 있습니다. 때로는 사용자의 기대치를 관리하기 위해 가치를 과소평가하고 사용자에게 더 많은 통제력과 투명성을 제공하기 위해 마찰을 추가하는 등 직관에 반하는 작업을 수행하는 것을 의미하기도 합니다.
AI의 과대광고는 압박감을 줍니다. 많은 기업에서는 고객 및 시장 요구에 의해 검증되지 않은 구현에 뛰어들어 말보다 카트를 우선시합니다. 때때로 AI 유행어를 던지는 것은 진보적이고 혁신적인 기업으로 자신을 마케팅하고 자리매김하는 데 도움이 될 수 있지만, 장기적으로는 실제 기회로 소문과 실험을 뒷받침해야 합니다. 이는 기술 잠재력에 대한 시장 기회의 명확한 매핑을 기반으로 하는 비즈니스와 기술 간의 긴밀한 조정을 통해 달성될 수 있습니다.

이 기사에서는 이러한 다양한 측면을 통합하는 AI 시스템을 위한 정신 모델을 구축할 것입니다(그림 1 참조). 이는 건축업자가 전체적으로 생각하고, 대상 제품에 대해 명확하게 이해하고, 그 과정에서 새로운 통찰력과 의견으로 업데이트하도록 장려합니다. 이 모델은 협업을 용이하게 하고, AI 팀 내부와 외부의 다양한 관점을 조정하며, 공유된 비전을 기반으로 성공적인 제품을 구축하는 도구로 사용될 수 있습니다. AI 기반 신제품뿐만 아니라 기존 제품에 접목된 AI 기능에도 적용 가능하다.

다음 섹션에서는 AI 제품에 특정한 부분을 중심으로 각 구성 요소를 간략하게 설명합니다. 우리는 비즈니스 관점(시장 기회와 가치)부터 시작한 다음 UX와 기술에 대해 자세히 살펴보겠습니다. 모델을 설명하기 위해 마케팅 콘텐츠 생성을 위한 부조종사 실행 사례를 사용하겠습니다.

이 심층 교육 콘텐츠가 유용하다면 AI 연구 메일 링리스트 구독 새로운 자료를 공개 할 때 경고를받습니다.

1. 기회

이제 AI로 할 수 있는 모든 멋진 작업을 사용하면 손을 더럽히고 건물을 짓는 데 참을성이 없을 수도 있습니다. 그러나 사용자가 필요로 하고 좋아하는 것을 구축하려면 시장 기회를 통해 개발을 지원해야 합니다. 이상적인 세상에서는 자신이 필요로 하거나 원하는 것이 무엇인지 알려주는 고객으로부터 기회가 찾아옵니다.[1] 이는 충족되지 않은 요구 사항, 문제점 또는 욕구일 수 있습니다. 제품 리뷰, 영업 및 성공 팀의 메모 등 기존 고객 피드백에서 이 정보를 찾을 수 있습니다. 또한 자신이 제품의 잠재적 사용자임을 잊지 마십시오. 자신이 경험한 문제를 대상으로 하는 경우 이러한 정보 이점은 추가적인 이점이 됩니다. 이 외에도 설문조사나 인터뷰와 같은 도구를 사용하여 적극적인 고객 조사를 수행할 수도 있습니다.

예를 들어, 스타트업뿐만 아니라 대기업의 콘텐츠 마케팅의 고통을 보기 위해 너무 멀리 볼 필요는 없습니다. 제가 직접 경험한 바에 따르면, 경쟁이 치열해짐에 따라 개인, 정규, (!) 고품질 콘텐츠로 사고 리더십을 개발하는 것이 차별화를 위해 점점 더 중요해지고 있습니다. 한편, 작고 바쁜 팀에서는 이번 주의 블로그 게시물을 작성하는 것보다 더 중요해 보이는 일들이 항상 테이블 위에 있을 것입니다. 나는 또한 일관된 콘텐츠 마케팅 루틴을 설정하는 데 어려움을 겪는 내 네트워크의 사람들을 자주 만납니다. 이러한 "지역적"이고 잠재적으로 편향된 관찰은 네트워크를 넘어 솔루션에 대한 더 넓은 시장을 확인하는 설문 조사를 통해 검증될 수 있습니다.

실제 세계는 약간 더 모호하며, 고객이 항상 새롭고 잘 구성된 기회를 제시하기 위해 찾아오는 것은 아닙니다. 오히려 안테나를 뻗으면 다음과 같은 여러 방향에서 기회가 찾아올 것입니다.

시장 포지셔닝: AI는 트렌디합니다. 기존 기업의 경우 혁신적, 첨단 기술, 미래 지향적 등의 비즈니스 이미지를 강화하는 데 사용할 수 있습니다. 예를 들어 기존 마케팅 대행사를 AI 기반 서비스로 끌어올릴 수 있으며, 경쟁사와 차별화하세요. 그러나 AI를 위해 AI를 수행하지 마십시오. 포지셔닝 트릭은 주의 깊게 적용하고 다른 기회와 결합하여 적용해야 합니다. 그렇지 않으면 신뢰성을 잃을 위험이 있습니다.
경쟁사(제품): 경쟁업체가 움직일 때 이미 기본 조사 및 검증을 수행했을 가능성이 높습니다. 시간이 지나서 살펴보세요. 개발이 성공적이었나요? 이 정보를 사용하여 솔루션을 최적화하고, 성공적인 부분을 채택하고, 실수를 해결하십시오. 예를 들어, 완전히 자동화된 마케팅 콘텐츠 생성 서비스를 제공하는 경쟁업체를 관찰하고 있다고 가정해 보겠습니다. 사용자가 "큰 빨간색 버튼"을 클릭하면 AI가 콘텐츠를 작성하고 게시하기 위해 앞서 나갑니다. 몇 가지 조사를 한 후에 사용자는 프로세스에 대한 더 많은 제어권을 유지하고 자신의 전문 지식과 개성을 글쓰기에 기여하기를 원하기 때문에 이 제품 사용을 주저한다는 것을 알게 됩니다. 결국 글쓰기는 자기 표현과 개인의 창의성에 관한 것이기도 합니다. 이제 콘텐츠 형성을 위한 풍부한 기능과 구성을 제공하는 다용도 도구를 사용하여 앞서 나가야 할 때입니다. 이는 사용자가 원할 때마다 프로세스에 자신을 "주입"할 수 있도록 하면서 사용자의 효율성을 향상시킵니다.
규정: 기술적 혼란, 세계화 등의 메가트렌드로 인해 규제 당국은 요구 사항을 더욱 강화하고 있습니다. 규제는 압력을 가하고 기회의 확실한 원천입니다. 예를 들어, 모든 사람이 AI 생성 콘텐츠를 광고하도록 엄격히 요구하는 규정이 제정된다고 가정해 보세요. 이미 AI 콘텐츠 생성 도구를 사용하는 회사는 이를 원하는지 여부에 대한 내부 논의에서 사라질 것입니다. 그들 중 다수는 눈에 띄게 AI로 생성된 상용구를 생성하는 것이 아니라 진정한 사고 리더십의 이미지를 유지하기를 원하기 때문에 기권할 것입니다. 당신이 똑똑해서 사용자가 텍스트의 공식적인 "작성자"로 남을 수 있도록 충분한 제어 권한을 제공하는 증강 솔루션을 선택했다고 가정해 보겠습니다. 새로운 제한 사항이 도입되면 귀하는 면역이 되어 규정을 활용하기 위해 앞으로 나아갈 수 있지만, 완전 자동화된 솔루션을 갖춘 경쟁업체는 좌절에서 회복하는 데 시간이 필요합니다.
활성화 기술: 2022~23년의 생성 AI 물결과 같은 새로운 기술과 기존 기술의 중요한 도약은 새로운 작업 방식을 열거나 기존 애플리케이션을 새로운 수준으로 끌어올릴 수 있습니다. 당신이 지난 XNUMX년 동안 전통적인 마케팅 대행사를 운영해 왔다고 가정해 보겠습니다. 이제 비즈니스에 AI 해킹 및 솔루션을 도입하여 직원의 효율성을 높이고 기존 리소스로 더 많은 고객에게 서비스를 제공하며 수익을 높일 수 있습니다. 기존 전문 지식, 평판 및 (희망적으로 선의가 있는) 고객 기반을 기반으로 구축하고 있으므로 AI 개선 사항을 도입하는 것은 신규 이민자보다 훨씬 더 원활하고 덜 위험할 수 있습니다.

마지막으로, 현대 제품 세계에서는 기회가 덜 명확하고 형식적인 경우가 많으며 실험을 통해 직접 검증될 수 있으므로 개발 속도가 빨라집니다. 따라서 제품 중심 성장에서는 팀원들이 엄격한 데이터 기반 주장 없이도 자신만의 가설을 세울 수 있습니다. 이러한 가설은 프롬프트를 수정하거나 일부 UX 요소의 로컬 레이아웃을 변경하는 등 단편적인 방식으로 공식화될 수 있으므로 구현, 배포 및 테스트가 쉬워집니다. 제공해야 한다는 압력을 제거함으로써 선험적인 각각의 새로운 제안에 대한 데이터를 수집하는 이 접근 방식은 모든 팀 구성원의 직관과 상상력을 활용하는 동시에 제안을 직접 검증합니다. 콘텐츠 생성이 원활하게 진행되지만 AI 투명성과 설명 가능성이 전반적으로 부족하다는 불만이 점점 더 많아지고 있다고 가정해 보겠습니다. 추가적인 투명성 수준을 구현하고 콘텐츠를 생성하는 데 사용된 특정 문서를 사용자에게 표시하기로 결정했습니다. 귀하의 팀에서는 사용자 집단을 대상으로 이 기능을 테스트한 후 원래 정보 소스를 추적하는 데 기꺼이 이 기능을 사용한다는 사실을 알게 되었습니다. 따라서 사용률과 만족도를 높이기 위해 핵심 제품에 이를 구축하기로 결정했습니다.

2. 가치

AI 제품이나 기능의 가치를 이해하고 전달하려면 먼저 이를 사용 사례(해결할 특정 비즈니스 문제)에 매핑하고 ROI(투자 수익)를 파악해야 합니다. 이로 인해 기술에서 벗어나 솔루션의 사용자 측 이점에 집중하게 됩니다. ROI는 다양한 차원에 따라 측정될 수 있습니다. AI의 경우 그 중 일부는 다음과 같습니다.

효율성 향상: AI는 개인, 팀, 기업 전체의 생산성을 높이는 데 도움이 될 수 있습니다. 예를 들어, 콘텐츠 생성의 경우 일반적으로 블로그 게시물을 작성하는 데 필요한 4~5시간 대신[2] 이제 1~2시간 안에 작업을 수행하고 절약한 시간을 다른 작업에 사용할 수 있습니다. 동일한 양의 작업을 수행하는 데 필요한 인력이 줄어들기 때문에 효율성 향상은 비용 절감과 함께 이루어지는 경우가 많습니다. 따라서 비즈니스 맥락에서 이러한 이점은 사용자와 리더십 모두에게 매력적입니다.
더욱 개인화된 경험: 예를 들어 콘텐츠 생성 도구는 사용자에게 브랜드 특성, 용어, 제품 혜택 등과 같은 회사의 매개변수를 설정하도록 요청할 수 있습니다. 또한 특정 작가가 편집한 내용을 추적하고 해당 세대를 고유한 글에 맞게 조정할 수 있습니다. 시간 경과에 따른 이 사용자의 스타일.
재미와 즐거움: 여기에서는 Don Norman이 "본능적" 수준이라고도 부르는 제품 사용의 감정적인 측면을 살펴봅니다[3]. B2C 캠프에는 게임, 증강 현실 등 재미와 엔터테인먼트를 위한 모든 카테고리의 제품이 존재합니다. B2B는 어떻습니까? B2B 제품이 무균 전문 진공 상태에 존재한다고 가정하지 않습니까? 실제로 이 범주는 B2C보다 훨씬 더 강력한 감정적 반응을 생성할 수 있습니다.[4] 예를 들어, 글쓰기는 만족스러운 자기 표현 행위로 인식될 수도 있고, 작가의 장벽과 기타 문제에 대한 내적 투쟁으로 인식될 수도 있습니다. 귀하의 제품이 작업의 긍정적인 감정을 강화하는 동시에 작업의 고통스러운 측면을 완화하거나 심지어 변화시킬 수 있는 방법에 대해 생각해 보십시오.
편의: AI의 마법적인 힘을 활용하려면 사용자가 무엇을 해야 합니까? 콘텐츠 생성 부조종사를 MS Office, Google Docs, Notion과 같은 널리 사용되는 협업 도구에 통합한다고 상상해 보십시오. 사용자는 편안한 디지털 "홈"을 떠나지 않고도 제품의 지능성과 효율성에 액세스할 수 있습니다. 따라서 사용자가 제품의 가치를 경험하고 계속 사용하는 데 필요한 노력을 최소화하여 결과적으로 사용자 획득 및 채택률을 높일 수 있습니다.

효율성과 같은 일부 AI 이점은 ROI를 위해 직접 정량화될 수 있습니다. 편의성과 즐거움과 같은 덜 실질적인 이득을 얻으려면 사용자 만족도와 같은 프록시 지표를 생각해야 합니다. 최종 사용자 가치 측면에서 생각하는 것은 사용자와 제품 간의 격차를 줄이는 것만이 아니라는 점을 명심하십시오. 환영할 만한 부작용으로 공개 커뮤니케이션의 기술적 세부 사항이 줄어들 수 있습니다. 이렇게 하면 실수로 원치 않는 경쟁 상대를 파티에 초대하는 일이 방지됩니다.

마지막으로, 초기에 고려해야 할 가치의 근본적인 측면은 지속가능성입니다. 귀하의 솔루션은 사회와 환경에 어떤 영향을 미치나요? 이 예에서 자동화되거나 증강된 콘텐츠 생성은 대규모 인력 작업을 대체하고 제거할 수 있습니다. 당신은 아마도 전체 직업 범주의 킬러로 알려지기를 원하지 않을 것입니다. 결국 이것은 윤리적 질문을 던질 뿐만 아니라 당신이 위협하는 직업을 가진 사용자 측에서 저항을 불러일으킬 것입니다. 이러한 두려움을 어떻게 해결할 수 있는지 생각해 보십시오. 예를 들어 사용자에게 새로운 자유 시간을 효율적으로 사용하여 더욱 정교한 마케팅 전략을 설계할 수 있는 방법을 교육할 수 있습니다. 이는 다른 경쟁업체가 자동화된 콘텐츠 생성을 따라잡더라도 방어 가능한 해자를 제공할 수 있습니다.

3. 데이터

모든 종류의 AI 및 기계 학습에 대해 실제 입력을 반영하고 모델에 충분한 학습 신호를 제공할 수 있도록 데이터를 수집하고 준비해야 합니다. 오늘날 우리는 모델의 끝없는 조정 및 최적화에서 벗어나 이러한 모델에 제공되는 데이터의 수많은 문제를 해결하는 데 중점을 두는 AI 철학인 데이터 중심 AI를 향한 추세를 확인합니다. 시작할 때 적절한 데이터 세트를 손에 넣을 수 있는 다양한 방법이 있습니다.

여러분의 시간과 재능으로 기존 데이터 세트 사용. 이는 표준 기계 학습 데이터 세트일 수도 있고 작업에 맞게 조정하는 다른 초기 목적을 가진 데이터 세트일 수도 있습니다. 다음과 같은 몇 가지 고전적인 데이터세트가 있습니다. IMDB 영화 리뷰 데이터세트 감정 분석과 MNIST 데이터세트 손으로 쓴 문자를 인식하기 위한 것입니다. 다음과 같은 더 이국적이고 흥미로운 대안이 있습니다. 불법어업 적발 및 개 품종 식별, Kaggle과 같은 데이터 허브에서 사용자가 선별한 수많은 데이터 세트를 제공합니다. 특정 작업을 위해 만들어지고 요구 사항을 완벽하게 충족하는 데이터 세트를 찾을 가능성은 다소 낮으며 대부분의 경우 데이터를 강화하기 위해 다른 방법도 사용해야 합니다.
여러분의 시간과 재능으로 수동으로 데이터에 주석을 달거나 생성 올바른 학습 신호를 생성합니다. 수동 데이터 주석(예: 감정 점수가 포함된 텍스트 주석)은 기계 학습 초기에 사용되는 방법이었습니다. 최근에는 ChatGPT 비법소스의 주성분으로 다시 주목을 받고 있습니다. 인간의 선호도를 반영하기 위해 모델의 반응을 생성하고 순위를 매기는 데 엄청난 수작업이 소요되었습니다. 이 기술은 인간 피드백을 통한 강화 학습(RLHF)이라고도 합니다. 필요한 리소스가 있는 경우 이를 사용하여 마케팅 콘텐츠 생성과 같은 보다 구체적인 작업을 위한 고품질 데이터를 생성할 수 있습니다. 주석은 내부적으로 수행하거나 외부 공급자 또는 Amazon Mechanical Turk와 같은 크라우드소싱 서비스를 사용하여 수행할 수 있습니다. 어쨌든 대부분의 회사는 RLHF 데이터를 수동으로 생성하는 데 필요한 막대한 리소스를 소비하고 싶지 않으며 데이터 생성을 자동화하기 위한 몇 가지 트릭을 고려할 것입니다.
따라서 다음을 사용하여 기존 데이터세트에 더 많은 예시를 추가할 수 있습니다. 데이터 확대. 감정 분석과 같은 간단한 작업의 경우 텍스트에 추가 노이즈를 추가하거나 단어 몇 개를 바꾸는 등의 작업을 수행할 수 있습니다. 보다 개방적인 생성 작업의 경우 현재 자동화를 위한 대규모 모델(예: 기본 모델)을 사용하는 것에 대한 열정이 많습니다. 훈련 데이터 생성. 데이터를 보강하는 가장 좋은 방법을 식별한 후에는 필요한 데이터 세트 크기에 도달하도록 데이터를 쉽게 확장할 수 있습니다.

데이터를 생성할 때 품질과 수량 사이에서 균형을 유지해야 합니다. 더 적은 양의 데이터에 고품질로 수동으로 주석을 달 수도 있고, 추가적인 노이즈를 발생시키는 자동화된 데이터 증대를 위한 해킹 및 트릭을 개발하는 데 예산을 지출할 수도 있습니다. 수동으로 주석을 추가하는 경우 내부적으로 이를 수행하여 세부 사항과 품질의 문화를 형성하거나 익명의 사람들에게 작업을 크라우드소싱할 수 있습니다. 크라우드소싱은 일반적으로 품질이 낮으므로 노이즈를 보상하기 위해 더 많은 주석을 달아야 할 수도 있습니다. 이상적인 균형을 어떻게 찾나요? 여기에는 준비된 레시피가 없습니다. 궁극적으로 데이터 훈련과 강화 사이를 끊임없이 오가며 이상적인 데이터 구성을 찾을 수 있습니다. 일반적으로 모델을 사전 학습할 때 처음부터 지식을 획득해야 하는데, 이는 더 많은 양의 데이터에서만 발생할 수 있습니다. 반면에 기존 대형 모델을 미세 조정하고 전문화의 마지막 손길을 가하려는 경우 수량보다 품질을 중요하게 생각할 수 있습니다. 이 경우에는 세부 지침을 사용하여 소규모 데이터세트에 대해 제어된 수동 주석을 추가하는 것이 최적의 솔루션일 수 있습니다.

4. 연산

데이터는 모델이 학습할 원시 자료이며, 대표하는 고품질 데이터 세트를 컴파일할 수 있기를 바랍니다. 이제 AI 시스템의 실제 초능력, 즉 기존 데이터에서 학습하고 새로운 데이터로 일반화하는 능력은 알고리즘에 있습니다. 핵심 AI 모델 측면에서 사용할 수 있는 세 가지 주요 옵션이 있습니다.

기존 모델을 프롬프트합니다. ChatGPT 및 GPT-4와 같은 GPT 계열의 고급 LLM(대형 언어 모델)은 물론 Anthropic 및 AI21 Labs와 같은 다른 제공업체의 고급 LLM(대형 언어 모델)을 API를 통해 추론할 수 있습니다. 메시지를 통해 작업에 필요한 모든 도메인 및 작업 관련 정보를 프롬프트에 포함하여 이러한 모델과 직접 대화할 수 있습니다. 여기에는 사용할 특정 콘텐츠, 유사한 작업의 예(몇 번의 샷 프롬프트) 및 모델이 따라야 할 지침이 포함될 수 있습니다. 예를 들어 사용자가 새로운 제품 기능에 대한 블로그 게시물을 생성하려는 경우 기능의 이점 및 사용 사례, 사용 방법, 출시 날짜 등과 같은 기능에 대한 몇 가지 핵심 정보를 제공하도록 요청할 수 있습니다. 그런 다음 제품은 이 정보를 신중하게 제작된 프롬프트 템플릿에 입력하고 LLM에 텍스트 생성을 요청합니다. 프롬프트는 사전 훈련된 모델을 먼저 시작하는 데 유용합니다. 그러나 프롬프트를 통해 구축할 수 있는 해자는 시간이 지남에 따라 빠르게 얇아질 것입니다. 중기적으로 경쟁 우위를 유지하려면 보다 방어 가능한 모델 전략이 필요합니다.
사전 훈련된 모델을 미세 조정합니다. 이러한 접근 방식으로 인해 지난 몇 년간 AI가 큰 인기를 끌었습니다. 점점 더 많은 사전 훈련된 모델을 사용할 수 있게 되고 Huggingface와 같은 포털이 모델 저장소와 모델 작업을 위한 표준 코드를 제공함에 따라 미세 조정이 시도하고 구현하는 방법이 되고 있습니다. 사전 훈련된 모델을 사용하면 누군가가 이미 언어와 세계에 대해 많은 것을 "알고 있는" 모델의 데이터, 훈련 및 평가에 투자한 혜택을 누릴 수 있습니다. 여러분이 해야 할 일은 작업별 데이터 세트를 사용하여 모델을 미세 조정하는 것뿐입니다. 이 데이터 세트는 원래 사전 훈련에 사용된 데이터 세트보다 훨씬 작을 수 있습니다. 예를 들어 마케팅 콘텐츠 생성의 경우 참여 측면에서 좋은 성과를 거둔 블로그 게시물 세트를 수집하고 이에 대한 지침을 리버스 엔지니어링할 수 있습니다. 이 데이터를 통해 모델은 성공적인 기사의 구조, 흐름 및 스타일에 대해 학습합니다. 오픈 소스 모델을 사용할 때는 미세 조정이 필요하지만 OpenAI 및 Cohere와 같은 LLM API 제공업체에서도 미세 조정 기능을 점점 더 많이 제공하고 있습니다. 특히 오픈 소스 트랙의 경우 모델 선택 문제, 대규모 모델 교육 및 배포에 따른 비용 오버헤드, 모델 유지 관리 및 업데이트 일정을 고려해야 합니다.
ML 모델을 처음부터 훈련하세요. 일반적으로 이 접근 방식은 특정 노하우나 적절한 데이터 세트가 있는 더 간단하지만 매우 구체적인 문제에 적합합니다. 콘텐츠 생성은 정확히 이 범주에 속하지 않습니다. 시작하려면 고급 언어 기능이 필요하며 이러한 기능은 엄청나게 많은 양의 데이터에 대한 교육 후에만 얻을 수 있습니다. 특정 유형의 텍스트에 대한 감정 분석과 같은 간단한 문제는 고급 딥러닝 방법보다 계산 비용이 적게 드는 로지스틱 회귀와 같은 확립된 기계 학습 방법을 사용하여 해결할 수 있는 경우가 많습니다. 물론 특정 도메인에 대한 개념 추출과 같이 상당히 복잡한 문제의 중간 지점도 있으며 이를 위해 처음부터 심층 신경망 훈련을 고려할 수 있습니다.

머신러닝을 성공적으로 사용하려면 교육 외에도 평가가 가장 중요합니다. 적절한 평가 지표와 방법은 AI 기능을 확실하게 출시하는 데 중요할 뿐만 아니라 추가 최적화를 위한 명확한 목표와 내부 논의 및 결정을 위한 공통 기반 역할도 합니다. 정밀도, 재현율, 정확성과 같은 기술 지표는 좋은 출발점이 될 수 있지만 궁극적으로는 AI가 사용자에게 제공하는 실제 가치를 반영하는 지표를 찾는 것이 좋습니다.

5. 사용자 경험

AI 제품의 사용자 경험은 매력적인 주제입니다. 결국 사용자는 높은 기대를 갖고 있지만 지능을 강화하고 잠재적으로 능가할 수 있는 AI와의 "파트너십"에 대한 두려움도 있습니다. 인간-AI 파트너십을 설계하려면 사려 깊고 합리적인 발견과 설계 프로세스가 필요합니다. 주요 고려 사항 중 하나는 제품에 부여하려는 자동화 수준입니다. 전체 자동화가 항상 이상적인 솔루션은 아닙니다. 다음 그림은 자동화 연속체를 보여줍니다.

각 수준을 살펴보겠습니다.

첫 번째 단계에서는 인간이 모든 작업을 수행하며 자동화는 수행되지 않습니다. AI에 대한 과대 광고에도 불구하고 현대 기업의 대부분의 지식 집약적 작업은 여전히 이 수준에서 수행되며 자동화에 대한 엄청난 기회를 제시합니다. 예를 들어, AI 기반 도구에 저항하고 글쓰기가 고도로 수동적이고 특이한 기술이라고 확신하는 콘텐츠 작성자가 여기서 일합니다.
보조 AI의 두 번째 단계에서는 사용자가 작업 실행을 완전히 제어하고 작업의 대부분을 수동으로 수행하지만 AI 도구는 시간을 절약하고 약점을 보완하는 데 도움이 됩니다. 예를 들어 마감 기한이 촉박한 블로그 게시물을 작성할 때 Grammarly 또는 유사한 도구를 사용하여 최종 언어 검사를 수행하면 시간을 절약할 수 있습니다. 부족한 시간과 주의가 많이 필요하고 여전히 오류와 간과가 발생할 수 있는 수동 수정 작업을 제거할 수 있습니다. 결국 실수는 사람의 몫입니다.
증강 지능을 통해 AI는 인간의 지능을 강화하여 두 세계의 장점을 모두 활용하는 파트너입니다. 보조 AI에 비해 기계는 프로세스에서 할 말이 훨씬 더 많으며 아이디어 구상, 생성, 초안 편집, 최종 언어 확인과 같은 더 광범위한 책임을 다룹니다. 사용자는 여전히 작업에 참여하고, 결정을 내리고, 작업의 일부를 수행해야 합니다. 사용자 인터페이스는 인간과 AI 간의 노동 분포를 명확하게 표시하고 오류 가능성을 강조하며 수행 단계에 투명성을 제공해야 합니다. 간단히 말해서, "증강된" 경험은 반복과 개선을 통해 사용자가 원하는 결과를 얻을 수 있도록 안내합니다.
그리고 마지막으로 완전 자동화가 있습니다. 이는 AI 전문가, 철학자 및 전문가에게는 흥미로운 아이디어이지만 실제 제품에 대한 최적의 선택은 아닌 경우가 많습니다. 완전 자동화는 프로세스를 시작하는 하나의 "큰 빨간색 버튼"을 제공한다는 의미입니다. AI가 완료되면 사용자는 최종 출력을 보고 이를 받아들이거나 떠나게 됩니다. 그 사이에 일어난 모든 일은 통제할 수 없습니다. 상상할 수 있듯이 실제로 상호 작용이 없기 때문에 여기의 UX 옵션은 다소 제한적입니다. 성공에 대한 대부분의 책임은 매우 높은 품질의 결과물을 보장해야 하는 기술 동료의 어깨에 있습니다.

AI 제품은 디자인에 있어서 특별한 처리가 필요합니다. 표준 그래픽 인터페이스는 결정적이며 사용자가 선택할 수 있는 모든 가능한 경로를 예측할 수 있습니다. 이와 대조적으로 대규모 AI 모델은 확률적이고 불확실합니다. 즉, 다양한 놀라운 기능을 노출하지만 독성, 잘못된 결과, 유해한 결과와 같은 위험도 노출합니다. 제품의 많은 기능이 모델에 직접 존재하므로 외부에서 보면 AI 인터페이스가 단순해 보일 수 있습니다. 예를 들어, LLM은 프롬프트 해석, 텍스트 생성, 정보 검색, 요약, 특정 스타일 및 용어 채택, 지침 실행 등을 수행할 수 있습니다. UI가 간단한 채팅 또는 프롬프트 인터페이스인 경우에도 이러한 잠재력을 간과하지 마십시오. — 사용자를 성공으로 이끌기 위해서는 명시적이고 현실적이어야 합니다. 사용자에게 AI 모델의 기능과 한계를 인식시키고, AI에서 발생한 오류를 쉽게 발견 및 수정할 수 있도록 하며, 최적의 출력을 위해 스스로 반복하는 방법을 가르칩니다. 신뢰, 투명성, 사용자 교육을 강조함으로써 사용자가 AI와 협업하도록 할 수 있습니다. AI 디자인의 새로운 분야에 대한 심층 분석은 이 기사의 범위를 벗어나지만, 다른 AI 회사뿐만 아니라 인간-기계 상호 작용과 같은 다른 디자인 영역에서도 영감을 얻기를 강력히 권장합니다. 자동 완성, 프롬프트 제안, AI 알림 등 다양한 반복 디자인 패턴을 곧 식별하여 자신의 인터페이스에 통합하여 데이터와 모델을 최대한 활용할 수 있습니다.

또한 정말 훌륭한 디자인을 제공하려면 팀에 새로운 디자인 기술을 추가해야 할 수도 있습니다. 예를 들어, 마케팅 콘텐츠 개선을 위해 채팅 애플리케이션을 구축하는 경우 대화 흐름과 챗봇의 "개성"을 관리하는 대화 디자이너와 함께 작업하게 됩니다. 사용 가능한 옵션을 통해 사용자를 철저하게 교육하고 안내해야 하는 풍부한 증강 제품을 구축하는 경우 콘텐츠 디자이너는 올바른 종류의 정보 아키텍처를 구축하고 사용자에게 적절한 양의 안내 및 메시지를 추가하는 데 도움을 줄 수 있습니다.

그리고 마지막으로, 놀라움에 마음을 열어두세요. AI 디자인은 사용자 경험에 대한 원래 개념을 다시 생각하게 만들 수 있습니다. 예를 들어, 많은 UX 디자이너와 제품 관리자는 사용자 경험을 원활하게 하기 위해 대기 시간과 마찰을 최소화하도록 교육을 받았습니다. 글쎄요, AI 제품에서는 이 싸움을 잠시 멈추고 두 가지 모두를 유리하게 활용할 수 있습니다. 지연 시간과 대기 시간은 AI가 현재 무엇을 하고 있는지 설명하고 가능한 다음 단계를 알려주는 등 사용자 교육에 좋습니다. 대화 및 알림 팝업과 같은 중단은 인간-AI 파트너십을 강화하고 사용자에 대한 투명성과 제어를 높이기 위해 마찰을 일으킬 수 있습니다.

6. 비기능적 요구사항

특정 기능을 구현할 수 있게 해주는 데이터, 알고리즘 및 UX 외에도 정확성, 대기 시간, 확장성, 안정성, 데이터 거버넌스 등 소위 비기능 요구 사항(NFR)을 통해 사용자가 실제로 상상한 가치를 얻을 수 있습니다. NFR의 개념은 소프트웨어 개발에서 비롯되었지만 AI 영역에서는 아직 체계적으로 설명되지 않았습니다. 이러한 요구 사항은 AI 기능에 대한 사용자 조사, 아이디어 구상, 개발 및 운영 과정에서 임시적으로 선택되는 경우가 많습니다.

여정의 다양한 지점에서 다양한 NFR이 생생하게 나타나기 때문에 가능한 한 빨리 NFR을 이해하고 정의하도록 노력해야 합니다. 예를 들어, 데이터 선택의 초기 단계부터 개인 정보 보호를 고려해야 합니다. 정확성은 사용자가 온라인으로 시스템을 사용하기 시작하는 생산 단계에서 가장 민감하며 예상치 못한 입력으로 인해 시스템이 압도될 가능성이 있습니다. 확장성은 비즈니스에서 사용자 및/또는 요청 수 또는 제공되는 기능의 범위를 확장할 때 작용하는 전략적 고려 사항입니다.

NFR의 경우 모든 것을 가질 수는 없습니다. 균형을 맞춰야 하는 몇 가지 일반적인 절충안은 다음과 같습니다.

정확도를 높이는 첫 번째 방법 중 하나는 더 큰 모델을 사용하는 것인데, 이는 대기 시간에 영향을 미칩니다.
추가 최적화를 위해 프로덕션 데이터를 "있는 그대로" 사용하는 것이 학습에 가장 적합할 수 있지만 개인정보 보호 및 익명화 규칙을 위반할 수 있습니다.
보다 확장 가능한 모델은 회사 또는 사용자별 작업의 정확성에 영향을 미치는 일반 모델입니다.

다양한 요구 사항의 우선 순위를 지정하는 방법은 사용 가능한 컴퓨팅 리소스, 자동화 정도를 포함한 UX 개념, AI가 지원하는 결정의 영향에 따라 달라집니다.

주요 테이크 아웃

끝을 염두에 두고 시작하세요: 기술만으로 작업이 완료될 것이라고 가정하지 마십시오. AI를 사용자 대상 제품에 통합하고 사용자에게 AI의 이점, 위험 및 제한 사항을 교육하기 위한 명확한 로드맵이 필요합니다.
시장 정렬: AI 개발을 이끌기 위해 시장 기회와 고객 요구를 우선시합니다. 시장 측 검증 없이 과대광고에 힘입어 AI 구현을 서두르지 마십시오.
사용자 가치: 효율성, 개인화, 편의성 등 가치 측면에서 AI 제품의 가치를 정의, 정량화, 전달합니다.
데이터 품질: AI 모델을 효과적으로 훈련하기 위해 데이터 품질과 관련성에 중점을 둡니다. 미세 조정을 위해서는 소규모의 고품질 데이터를 사용하고, 처음부터 훈련을 위해서는 더 큰 데이터 세트를 사용해 보십시오.
알고리즘/모델 선택: 사용 사례에 적합한 수준의 복잡성과 방어성(프롬프트, 미세 조정, 처음부터 교육)을 선택하고 성능을 신중하게 평가하세요. 시간이 지남에 따라 제품에 필요한 전문 지식과 자신감을 얻으면 고급 모델 전략으로 전환할 수 있습니다.
사용자 중심 디자인: 사용자의 요구와 감정을 염두에 두고 자동화와 사용자 제어의 균형을 유지하면서 AI 제품을 디자인합니다. 확률적 AI 모델의 "예측 불가능성"을 염두에 두고 사용자가 이를 사용하여 이점을 얻을 수 있도록 안내하십시오.
협업 디자인: 신뢰, 투명성, 사용자 교육을 강조하여 사용자가 AI와 협업하도록 할 수 있습니다.
비기능적 요구사항: 개발 전반에 걸쳐 정확성, 대기 시간, 확장성, 안정성과 같은 요소를 고려하고 초기에 이들 간의 장단점을 평가해 보세요.
협업: AI 전문가, 디자이너, 제품 관리자 및 기타 팀 구성원 간의 긴밀한 협업을 촉진하여 학제 간 인텔리전스의 이점을 활용하고 AI를 성공적으로 통합합니다.